宇宙的尽头是带货，大模型首在营销

　　最近网上流行一句话：宇宙的尽头是带货。

　　简单来说，就是以前那套“羊毛出在猪身上”的变现方式即内容向观众和粉丝免费、靠品牌主广告主付费，已经不好用了。企业“花钱赚吆喝”的品宣预算减少，而是更看重品效合一，希望将“有效流量”转化成实际的业绩增长。所以越来越多的网红博主、大V甚至某些新闻当事人，最后都走向了“带货”。

　　精准、高效、低成本的营销需求，不只卷网红大V们，也在卷大模型。

　　一次交流中，一位银行从业者直言：金融行业的数字化是建设比较久的，目前“数字营销”也遇到了关于增长的困境，从一线业务员到CMO首席营销官，都希望能够将营销的迭代速度加快，各个环节实现从效率到效果的提升，通过AI智能营销来形成一条更大的增长曲线。

　　“但是，跨越从数字营销到智能营销之间的鸿沟，以前这一步，大家迈得非常累。借助大模型的机会，或许我们可以更快地把这一步迈过去。”

　　从数字营销进化到AI营销，在大模型的加持下，进一步提质降本增效，带来真金白银的效果提升与业务增长，让许多行业和企业为之兴奋。

　　在过去的2023年里，我们看到百度、腾讯、阿里、京东等基础模型厂商，以及金融、教育、广告、传媒等多个领域的企业与垂类ISV数字化服务商，都在积极推动大模型在营销场景落地。

　　那么， AI营销与互联网时代的数字化营销，究竟有什么本质区别?大模型真的给营销带来了实质性的改变吗?企业在使用AI营销时需要考虑哪些现实问题?

　　本文将结合我们的一线采访与思考，尝试剖析这些问题。

　　从数字营销到AI营销，为什么要“跨越鸿沟”？

　　从数字化营销到智能化营销，为什么是企业眼中必须跨越的一道“鸿沟”?

　　大家可能都听说过一句名言：我知道我的广告费至少浪费了一半，但我不知道究竟是哪一半。对企业来说，营销的投入产出比ROI，始终都有优化提升的空间。

　　降本增效，提高营销ROI，这件事情在数字化营销阶段，有被解决，但没完全解决。

　　所谓数字化营销，就是在任何营销活动、整个流程，都跟数字紧密捆绑在一起，通过数据进行机会观察，对大量用户进行画像、分层、测算，然后将活动物料进行数字化的广告投放。

　　和传统营销的问卷调查、人工经验相比，数字化技术的全流程应用，让营销效率得到了大幅提升。但是，数字化改造的诸多问题，也随着大量行业和企业的应用而暴露出来。

　　最核心的问题就是：数据孤岛。

　　营销工作涉及多个流程，传统意义上的数据中台，企业内部形成了各种营销数据系统，但不同系统的用户数据及行为数据之间相互独立，彼此不打通，数据很多但用不起来。导致的结果就是：

　　人更累了。

　　一个营销活动，需要多人跨岗位跨部门协作，在企业内部也变得越来越细分。如果做一场大型活动，比如双十一、618这类大促，营销人员通常需要在十几个系统里来回倒腾，其中有大量重复劳动，比如一份物料在多个渠道平台系统上反复粘贴，手动进行大量的权益选择、页面搭建，这些低价值的重复劳动非常耗时，让营销人员无法把更多精力放在高价值的思考优化上。

　　人更多了。

　　由于营销业务的细分，企业不得不为多个环节配置更多的人员，一个人员只负责某个环节，只用关心怎么把单一模块做精做好，投放人员关心投放ROI，活动策划关注匹配营销目标的活动设计，内容运营希望设计师帮自己设计出更好的文案、素材、图片……过于细分的营销“流水线”，需要大量营销人员做“螺丝钉”，只干自己的一亩三分地，无法从全流程、全局视角去优化结果，不仅会影响营销效果，也不利于个人的职业发展。

　　人更难了。

　　数字化营销，对人员的技能要求也更高了。基于数据进行分析和复盘，就是一个门槛非常高的复杂任务。其中消费者怎么想的，决策过程是什么，怎么埋点，监控哪些数据，用户在不同页面的流失率、操作时长哪个步骤影响了整体流程?这些都只能依靠营销人员的经验，以往只能通过前辈传授和自己试错。

　　结果就是，一些企业招不到这样专业的营销人才，靠拍脑袋的方式来做营销，在广告创意、活动设计、客服话术上花费了大量的精力，最后消费者用户的反馈却不如人意。

　　有没有可能，让一个人变成一支营销队伍?

　　这就需要为营销人员配备一个全流程使能的“AI副驾驶”，能够从一开始就将数据与营销目标相结合，让数据贯穿整个过程和所有环节，并结合营销知识，自动做出最佳决策，替营销人员来进行洞察、写方案、做物料、筛渠道、完成个性化精准投放，最后复盘调整。

　　有了“AI副驾驶”，人更轻松了，人用得少了，人的技能也被全方面提升，这是为什么企业要积极从数字化营销跨入AI营销。

　　大模型，让AI营销天堑变通途

　　以前营销环节也有AI参与，为什么大模型出现后，营销人员才有了“AI副驾驶”?

　　答案是：传统AI做营销，太慢太贵。

　　此前也有很多互联网企业、电商平台将AI算法引入到智能推荐、海报创作、智能客服问答等场景之中，但效果总体来说，不咋地。

　　智能客服被普遍认为是“人工智障”，只能解决一些基础问题，用户还是要找人工，降本增效的效果有限。

　　另外，传统AI算法的泛化能力不高，必须针对专项任务进行定制化训练，开发起来非常耗时，比如一个银行的智能客服，需要人工训练师拆解话术文档、生成QA，之后再扩展标准、投入到一线中，开发周期基本上一个月起步，六个月都有可能。一些中小企业请不起专业的开发团队，也等不起那么长的开发周期。

　　大模型出现之后，如同一桥飞架南北，将“AI营销”的天堑变通途。

　　洞察环节：一个基座模型，统筹全局，拉通数据孤岛。

　　大模型强大的泛化能力，一个基座模型可以调度大量专有小模型，通过一个交互入口，与营销人员进行交互，把各个系统、数据孤岛都串联起来，做到更全面的智慧洞察。在腾讯云的企点分析平台上，销售人员只要问一句“哪个产品卖得最好”，就可以实现准确的商业分析;在京东的一站式AI增长平台上，营销人员只需打开领航者AI营销助手，就能完成全链路的活动配置。

　　设计环节：一个营销大脑，集合行业知识，消除经验鸿沟。

　　将营销知识与行业Knowhow，压缩到大模型里面，可以消除中小企业、运营新人等在营销经验知识上的差距，快速进阶为AI营销达人。

　　“这给了中小银行一个掀桌子的机会”，一位受访者告诉我们，“以前中小银行欠缺的不仅是数字化系统，还有经营相关的一些行业Knowhow，比如怎么做产品设计，怎么把产品更好的规划卖给用户，有没有更好的营销手段。过去要积累这些经验，要么招聘大量的相关专业人才，再花一定的时间蹚出自己的路来。但是到了大模型时代，大模型赋能金融，就让它们有机会弯道超车，弥补上很多经验上的短板”。

　　执行环节：一个生成与创造工具，生产力提质增效。

　　到了具体的营销活动落地环节，需要大量的物料、文案创意、投放配置等工作，创意素材和精准触达，是广告的核心竞争力，但是重复劳动量极大。尤其是每到“双十一”“元旦大促”等节点，需要创建和投放大规模的物料，以往只能通过“人海战术”，营销人员加班来解决。

　　大模型强大的生成和创作能力，可以基于前期的全局洞察和领域知识，生成最佳物料和投放方案。

　　领航者的插件AI营销助手，将主流模型的图片生成能力迁移至金融领域，专注于营销所需的各类素材生成。快速生成符合业务背景的，能够在京东金融场内投放的首页弹窗图、启动图、通用推荐图等常用资源位的图片，生图率和采用率达到中阶设计师水平。

　　在搜索推广、信息流、轻舸等场景中，百度营销打造的AIGC营销工具擎舵轻量版，可根据所选计划、单元、关键词等信息智能推荐版权图片和AI图片，还可通过用户自主表达推广业务、画面主体、比例等，生成创意图片，用户用相关图片用以投放测试，“广撒网”来获取更多流量。

　　除此之外，京东、百度、腾讯云还提供数字人平台，合成数字主播，进行产品和服务的卖点信息的视频讲解，帮助企业拓客。

　　总结一下，大模型对营销的全流程进行重构，每一个环节的降本增效，加起来就是AI营销整体的加速进化。

　　大模型营销，不能有断点，也不该有断点

　　一方面，企业需要改变数字孤岛的营销问题，实现全链路、全流程的数据洞察和优化，对整个流程进行提质增效;另一方面，大模型在认知智能、泛化能力、生成和创造等方面的强大潜力，确实可以从前期洞察、交互沟通、物料生成、分析决策等方面，全流程落地应用。

　　所以，内外压力之下，全流程重构，大模型厂商没有讨价还价的可能。

　　比如百度世界2023上，百度商业生态体系化发布“AI Native商业全景应用”，从品牌到内容，再到效果与经营，重构营销全链路。

　　京东推出的新一代营销增长平台领航者，以全局视角为中心、覆盖营销全生命周期，提供全链路的工具/插件。

　　腾讯云则为营销场景提供了从算力、模型、开发平台/工具到应用的全程支持，让客户自动调用相应的API。

　　在营销和智能客服领域有十多年积累的容联云，推出基于数智大模型的“容犀智能”，实现了通用批量场景的AI全覆盖，比如私域加分、营销通知等，以及用户全生命周期的全覆盖，从新用户获取，到活跃用户、流失用户，提供不同场景相应的营销工具。

　　总结一下：全流程重构，是各大大模型厂商拿下“AI营销”这一战场的前提，做不到就上不了牌桌。

　　扎下“王旗”，还要经过哪些考验？

　　营销场景，是一个付费意愿高、高价值、效果明显的落地场景，也是大模型厂商的必争之地和关键战场。

　　基于大模型的全流程重构的AI营销体系框架，需要坚实的内核，来支撑企业客户的信心。想要在营销战场扎下“王旗”，有几个方面的赛点：

　　第一，基座模型的技术先进性。

　　人们常说技术公司不能“拿着锤子找钉子”，但如果手里没有锤子，即使发现了钉子也砸不下去。对于AI营销服务商来说，基座模型的能力是最为关键的。

　　基座模型的认知智能水平不高，生成内容质量差，容易出现幻觉，写商品文案胡说八道，那根本不可能为营销业务所用。

　　一位京东的技术人员告诉我们，如果AI生成的文案审核通过率只有70%-80%，AIGC对于业务的价值就会大打折扣，必须让AIGC的审核通过率达到95%以上，业务方才可以使用。

　　再比如，智能语音在营销场景的应用，最难的一点是“你这东西不行，所有人一下子就能听出来了”。比如智能客服询问用户“你要买的苹果手机没了，要不要换一款颜色”，这时候消费者可能都会想一想，这一想，人机交互就被打断了，但AI智能客服要判断你究竟是说完了还是在考虑，是该等你说完还是直接接话，技术上的难度就非常大，而一旦判断错误，用户体验就会很不好。

　　总之，营销业务场景是很复杂的，涉及高级智能的一些前沿技术，因此AI营销的基座模型必须具备技术上的绝对领先性。

　　第二，对业务场景的理解和数据积累。

　　应用于营销场景的大模型，需要完成比较严肃的业务应用，比如帮助老年客户在银行开户，生成一张符合金融广告规范要求的海报，对可控性的要求就非常高，是客户选择大模型营销解决方案的一条重要红线。

　　容联云告诉我们，就以一线营销人员所需要的话术为例，一线人员每天要打很多电话，企业不可能把所有电话都听一遍，很多话术没有提炼出来，也无法从语音数据中解析出一些行业优秀的话术，那么沟通的业务目标转化效果，比如开户、填单、购买等，就很难去洞察和优化。很多企业以前的话术库，其实是只有量，没有质。目前，容联云通过大模型去提取问题，把一线及时反馈出来的高频问题，通过自动化手段及时挖掘出来，再反馈给主管或座席，更快地洞察客户关注的问题，可以改善服务质量，提高客户满意度。

　　高质量数据和行业Knowhow的数字化积累，让大模型真正深入理解营销业务，也是判断AI营销方案的一个标准。

　　第三，工程能力做出好用的产品。

　　技术很先进，但产品很难用，是阻碍AI落地的一个主要问题。就拿AI营销一站式工具来说，全流程贯通是很多企业都在追求的目标，但很少有企业能够把所有营销工具都进行跨平台、跨系统的整合。

　　要么工具不全不完整，运营人员还是要在多个系统中来回切换;要么简单地堆砌在一起，只提供一个聚合入口，运营人员需要在繁杂的应用中反复查找，无法快速执行完成。目前头部AI营销产品的做法是，通过AI agent智能编排调度，把大模型变成一个大脑中枢，对不同的工具API进行编排，自动把营销目标拆解到不同任务并执行。

　　营销人员只需要抓住一个营销目标，把预算、目标人群、投放形式等关键要素，跟大模型说明白，大模型就会结合领域知识，对目标任务进行拆解，并对其中的重复劳动进行折叠压缩。这样，营销小白也可以很快“抄作业”，让大模型引导到对应的系统、应用和节奏，完成整个营销过程。

　　从这个角度看，AI营销的产品化能力，就是把大模型学到的知识经验，让营销人员抄对、抄好、抄快。

　　最后，还要考虑成本的问题。

　　一定要用大模型吗?以前的小模型还能不能用?如果所有的环节全用大模型，算力成本、开发工程量谁来出?增加的支出能否覆盖减少的成本呢?

　　投产比是否合理，是企业面临的现实问题，也是是否采取大模型解决方案的底层逻辑。目前业界的普遍做法，是大小模型配合。

　　小模型来完成一些确定性高、离线、特定任务，大模型负责调度、指挥、认知理解。举个例子，在客服对话中，用大模型来挖掘金牌话术，再用小模型进行推荐，把好的话术推给普通销售，提高他们的业务能力，而客户的智能化综合成本也更低了。

　　再比如，金融行业的营销环节，基金的选基工具，需要非常高的确定性，不能出一点差错，大小结合，用好大模型的推理能力和语言理解能力，用好小模型的精准化识别能力，可以更好地达成业务目标。

　　看到这里不难发现，想要在AI营销这个战场插下“王旗”，对大模型厂商和解决方案服务上的挑战，其实不小，竞争才刚刚开始。

　　而作为大模型商业化落地的首选站，AI营销也经历了一场心态上的“过山车”，从2023年初的极度兴奋、不能错过，逐渐冷静下来，开始把做精做专做细。

　　“大家对通用大模型期待很高，但它不一定是满足行业场景需求的最优解。针对某个单一的场景，解决客户的业务问题，让大模型的商业化变现能力获得行业认可”，一位从业多年的数字化服务商这样说到。

　　在企业的实际场景中，真正解决了某个问题，打造出实用性高的智能服务，大模型才有未来。而AI营销，就是大模型真正抵达和改变的第一个关键战场。